Apache spark 如何在Spark中设置ORC条纹大小
我试图在Spark(2.3)中生成一个数据集,并以ORC文件格式编写它。 我正在尝试为ORC条带大小和压缩大小设置一些属性。我从SO的帖子中得到了一些提示。但是spark并不尊重这些属性,我在生成的ORC文件中的条纹大小比我设置的要小得多Apache spark 如何在Spark中设置ORC条纹大小,apache-spark,orc,Apache Spark,Orc,我试图在Spark(2.3)中生成一个数据集,并以ORC文件格式编写它。 我正在尝试为ORC条带大小和压缩大小设置一些属性。我从SO的帖子中得到了一些提示。但是spark并不尊重这些属性,我在生成的ORC文件中的条纹大小比我设置的要小得多 val conf: SparkConf = new SparkConf().setAppName("App") .set("spark.sql.orc.impl", "native") .set("spark.sql.hive.convertMetas
val conf: SparkConf = new SparkConf().setAppName("App")
.set("spark.sql.orc.impl", "native")
.set("spark.sql.hive.convertMetastoreOrc", "true")
.set("spark.sql.orc.stripe.size", "67108864")
.set("spark.sql.orc.compress.size", "262144")
.set("orc.stripe.size", "67108864")
.set("orc.compress.size", "262144")
data.sortWithinPartitions("column")
.write
.option("orc.compress", "ZLIB")
.mode("overwrite")
.format("org.apache.spark.sql.execution.datasources.orc")
.save(outputPath)
我还尝试将数据写为:
data.sortWithinPartitions("column")
.write
.option("orc.compress", "ZLIB")
.option("orc.stripe.size", "67108864")
.option("orc.compress.size", "262144")
.mode("overwrite")
.format("org.apache.spark.sql.execution.datasources.orc")
.save(outputPath)
但是没有运气
ORC文件转储的相关部分:
File Version: 0.12 with ORC_135
Rows: 3174228
Compression: ZLIB
Compression size: 32768
...
Stripe: offset: 3 data: 6601333 rows: 30720 tail: 2296 index: 16641
Stripe: offset: 6620273 data: 6016778 rows: 25600 tail: 2279 index: 13595
Stripe: offset: 12652925 data: 6031290 rows: 25600 tail: 2284 index: 13891
Stripe: offset: 18700390 data: 6132228 rows: 25600 tail: 2283 index: 13805
Stripe: offset: 24848706 data: 6066176 rows: 25600 tail: 2267 index: 13855
Stripe: offset: 30931004 data: 6562819 rows: 30720 tail: 2308 index: 16851
Stripe: offset: 37512982 data: 6462380 rows: 30720 tail: 2304 index: 16994
Stripe: offset: 43994660 data: 6655346 rows: 30720 tail: 2291 index: 17031
我也有同样的问题,在我的例子中,它似乎与Hortonworks HDP使用的版本有关。在本文中,您可以看到类似的讨论,其中他们建议使用HDP2.6.3+和Spark 2.2+,后者利用了较新的Hive库:
也许您的Spark 2.3仍然配置为使用较旧的Hive 1.2.1库。以下内容适用于Spark 2.4.4
spark = (SparkSession
.builder
.config('hive.exec.orc.default.stripe.size', 64*1024*1024)
.getOrCreate()
)
df = ...
df.write.format('orc').save('output.orc')